PRML 6: SVD and PCA

标签：

　1. Eigendecomposition of Symmetric Matrix:

　　(1) Solve the equation $det[\lambda I-A]=0$ to get eigenvalues $\lambda_1,\lambda_2,...,\lambda_n$;

　　(2) Solve each $(\lambda_k I-A)\vec{x}=0$ to get eigenvectors $\vec{v}_1,\vec{v}_2,...,\vec{v}_n$;

　　(3) Orthogonalize and normalize the eigenvectors via Gram-Schimdt Process;

　　(4)　$A=V\Lambda V^T$, where $\Lambda=diag(\lambda_1,\lambda_2,...,\lambda_n)$ and $\vec{v}_k$ is the $k$th column of $V$.

　　Please see my demo program of Orthogonal Diagonalization.

　2. Singular Value Decomposition (SVD):

　　(1) Eigendecomposition of $A^T A$ ($A\in\mathbb{R}^{m\times n}$):

　　　　eigenvalues $\lambda_1,\lambda_2,...,\lambda_n$ in decreasing order,

　　　　and corresponding eigenvectors $\vec{v}_1,\vec{v}_2,...,\vec{v}_n$;

　　(2) Singular Values: $\sqrt{\lambda_1},\sqrt{\lambda_2},...,\sqrt{\lambda_n}$;

　　　　Left singular vectors: $\vec{u}_1,\vec{u}_2,...,\vec{u}_n$, where $\vec{u}_k=\frac{1}{\sqrt{\lambda_k}}A\vec{v}_k$;

　　　　Right singular vectors: $\vec{v}_1,\vec{v}_2,...,\vec{v}_n$;

　　(3)　$A=U\Lambda V^T$, where $U\in\mathbb{R}^{m\times m}$, $\Lambda\in\mathbb{R}^{m\times n}$, $V\in\mathbb{R}^{n\times n}$.

　3. Principal Component Analysis (PCA):

　　(1) Preprocessing of Dataset: 

　　　　$\vec{\mu}_j = \frac{1}{N}\sum_{n=1}^N X_{nj}$,　$\sigma_j=\sqrt{\frac{1}{N-1}\sum_{n=1}^N(X_{nj}-\vec{\mu}_j)}$,　$X_{nj}=(X_{nj}-\vec{\mu}_j)/\sigma_j$;

　　(2) Singular Value Decomposition:

　　　　$X_{N\times D}\approx U_{N\times K}\Lambda_{K\times K}V_{K\times D}^T$;

　　(3)　$X_{N\times D}V_{D\times K}\approx U_{N\times K}\Lambda_{K\times K}=\widetilde{X}_{N\times K}$.

References:

　　1. LeftNotEasy‘s blog: http://www.cnblogs.com/LeftNotEasy/archive/2011/01/19/svd-and-applications.html

　　2. Bishop, Christopher M. Pattern Recognition and Machine Learning [M]. Singapore: Springer, 2006

PRML 6: SVD and PCA

标签：

原文地址：http://www.cnblogs.com/DevinZ/p/4581916.html